論文の概要: Two-Stage Personalized Gait Phase Estimation in Stroke Survivors During Exoskeleton-Assisted Walking: An Offline Feasibility Study

• arxiv url: http://arxiv.org/abs/2609.14984v1
• Date: Mon, 14 Sep 2026 03:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.059093
• Title: Two-Stage Personalized Gait Phase Estimation in Stroke Survivors During Exoskeleton-Assisted Walking: An Offline Feasibility Study
• Title（参考訳）: エクソスケルトン支援歩行中のストローク生存者の2段階歩行位相推定 : オフライン実施可能性調査
• Abstract要約: 機能的慣性計測器(IMU)アライメントと2段階逐次適応を用いた脳卒中生存者の歩行位相推定について検討した。 トランスフォーマーは、最も低い最終誤差(2.90 +- 1.13$%)とヒールストライクタイミング誤差(23.7 +-4.5ms)を達成した。 その結果,エクソスケルトン支援歩行のためのフレームワークのオフライン実現可能性と組込み計算タイミングが支持された。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study evaluated personalized gait phase estimation for stroke survivors using functional inertial measurement unit (IMU) alignment and two-stage sequential adaptation of models pre-trained on healthy gait. The estimator used signals from a thigh-mounted IMU. Heel force-sensitive resistor measurements provided reference phase labels for offline adaptation and evaluation. Stage 1 established a distillation-regularized participant-specific model, and Stage 2 performed conditional refinement using low-rank adaptation. Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), and Transformer models were evaluated in five stroke survivors walking with a powered knee exoskeleton using leave-one-subject-out hyperparameter selection and sequential test-then-adapt Stage 2 replay. Relative to the non-adapted baselines, Stage 1+2 reduced the mean participant-wise phase root mean square error by 84.2%, 77.0%, and 60.7%, respectively. The Transformer achieved the lowest final error (2.90 +- 1.13$% of the gait cycle) and heel-strike timing error (23.7 +- 4.5ms). Policy-specific ablations showed that every-cycle updates generally produced the lowest or near-lowest error, whereas conditional updating reduced the update frequency with small accuracy differences. After personalization, alignment produced model-dependent changes in phase error while preserving or improving heel-strike detection and reducing heel-strike timing error for the LSTM and Transformer. Concurrent embedded tests showed that the TCN and Transformer maintained 100-Hz inference during Stage 2 updates without deadline misses, whereas the LSTM missed the 10-ms deadline in 6.6% of inferences. All updates completed within 0.8s. These results support the offline feasibility and embedded computational timing of the proposed framework for exoskeleton-assisted walking.
• Abstract（参考訳）: 機能的慣性計測器(IMU)アライメントと健常歩行で事前訓練したモデルの2段階連続適応による脳卒中生存者の歩行位相推定について検討した。 推定器は、大腿のIMUからの信号を使用した。 ヒール力感応性抵抗測定は、オフライン適応と評価のための基準位相ラベルを提供した。 第1段階は蒸留規則化参加者特化モデルを確立し,第2段階は低ランク適応による条件改善を行った。 Long Short-Term Memory (LSTM)、Temporal Convolutional Network (TCN)、Transformer Model (Transformer model) の5例について,Left-one-ject-out hyperparameter selection と Sequence test-then-adapt Stage 2 replay を用いて膝外骨格を用いて歩行した5例について検討した。 非適応基線に対して、ステージ1+2は、それぞれ84.2%、77.0%、60.7%の参加者の位相根の平均平方誤差を減らした。 トランスフォーマーは最も低い最終誤差(2.90 +- 1.13$%)とヒールストライクタイミング誤差(23.7 +-4.5ms)を達成した。 ポリシー固有の改善は、すべてのサイクルの更新が一般的に最低または最低のエラーを発生させるのに対して、条件付き更新は更新頻度を小さな精度差で減少させることを示した。 パーソナライゼーション後、アライメントは、LSTMとTransformerのヒールストライク検出およびヒールストライクタイミング誤差を低減しながら、フェーズエラーのモデル依存的な変化を発生させた。 同時に組込みテストを行った結果、TCNとTransformerは10msの期限を6.6%で逃した。 すべての更新は0.8秒以内に完了した。 これらの結果は,エクソスケルトン支援歩行のためのフレームワークのオフライン実現可能性と組込み計算タイミングをサポートする。

関連論文リスト

• LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation [45.86925813888675]
  肺腫瘍におけるSAM 3の微調整は、0.298から0.757までの1点のプロンプトから得られるDiceを上昇させ、7ラウンドの補正によりさらに0.765まで上昇させる。 ケース毎にリセットされたケースアダプタの小さなセットでテスト時間トレーニングを行うLeCorを提案する。 LeCor は 7 回の補正ラウンドを 0.787 から 0.827 に引き上げ、0.80 を 47 から 27 に到達しないケースの数を 47 から 27 に減らし、3 回の補正ラウンドで細調整モデルが 7 で到達した精度を下げる。
  論文  参考訳（メタデータ） (2026-09-08T21:49:56Z)
• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• Validating LLM-Modernized Scientific Software Through Differential Fault Injection [4.4455011390187815]
  大規模言語モデル(LLM)エージェントは、レガシーなFortranの基盤となる科学ソフトウェアを現代化するのにますます使われている。 本稿では,従来のコードに対する障害応答,摂動,精度の低下を,近代化が維持するかどうかを検証するための差分欠陥注入検証手法を提案する。
  論文  参考訳（メタデータ） (2026-08-14T17:45:55Z)
• A Quantitative Experimental Repeated Measures Study of Training Dynamics in a Small Llama Style Language Model Under a Compute-Aware Token Budget [0.0]
  本研究では,計算制約付きトークン予算の下で学習したLlama型小言語モデルの学習力学について検討した。 TinyStories corpus、CPUベースのフル精度トレーニング、目標予算約2000万の累積トレーニングトークンを使用して、6つの独立したトレーニング実行が実施された。 ANOVAは, 検証損失, 検証難易度, 転がりボラティリティに対して, 統計的に有意な間隔効果を示した。
  論文  参考訳（メタデータ） (2026-06-11T13:55:26Z)
• End-to-End Control of a Powered Knee-Ankle Prosthesis Towards Unified, Tuning-Free Assistance [1.7837718124568467]
  そこで本研究では,車載センサからの連続アクチュエータ信号を推定するエンド・ツー・エンド・プロテーゼ・コントローラのリアルタイム展開について述べる。 テンポラル・コンボリューショナル・ネットワークは、大腿切断を行った18人の個人によるマルチテランのデータセットで訓練された。
  論文  参考訳（メタデータ） (2026-06-05T23:24:21Z)
• Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation [0.0]
  不完全長手EHRによる治療効果推定のための2段階パイプラインを提案する。 CaulFlow-Tは、長期記憶(LSTM)を符号化した患者履歴を持つ、DAGに制約された正規化フローである。 CaulFlow-Tは、正確な非可逆逆推論を行い、変分推論からの近似誤差を回避し、明示的な因果構造を通して共起を分離する。
  論文  参考訳（メタデータ） (2026-05-06T16:53:08Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• TC-Padé: Trajectory-Consistent Padé Approximation for Diffusion Acceleration [46.613183870351584]
  Tray-Consistent Padé近似はテイラー法よりも正確に遷移挙動を捉える。 TC-PadéはFLUX.1-devで2.88倍、Wan2.1で1.72倍、FID、Aesthetic CLIP、V-2.0で高い品質を維持している。
  論文  参考訳（メタデータ） (2026-03-03T12:50:26Z)
• Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
  追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。 アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。 これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
  論文  参考訳（メタデータ） (2025-11-23T19:38:03Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。